本示例将展示如何使用PaddleHub Fine-tune API以及预训练模型(word2vec_skipgram、simnet_bow、ERNIE等)完成pairwise文本匹配任务。
PaddleHub 1.8.0以上版本支持在预训练模型之后拼接预置网络(bow, cnn, gru, lstm)完成文本匹配任务
pairwise_text_matching
├── embedding_pairwise_matching_predict.py # 词向量预训练模型拼接预置网络的预测脚本
├── embedding_pairwise_matching.py # 词向量预训练模型拼接预置网络的训练脚本
├── ernie_pairwise_matching_predict.py # ERNIE预训练模型的预测脚本
├── ernie_pairtwise_matching.py # ERNIE预训练模型的训练脚本
├── run_embedding_pairwise_matching_predict.sh # 词向量预训练模型拼接预置网络的预测启动脚本
├── run_embedding_pairwise_matching.sh # 词向量预训练模型拼接预置网络的训练启动脚本
├── run_ernie_pairwise_matching_predict.sh # ERNIE预训练模型的预测启动脚本
└── run_ernie_pairwise_matching.sh # ERNIE预训练模型的训练启动脚本
以下例子以最简单的匹配网络(词向量拼接预置网络)完成文本分类任务,说明PaddleHub如何完成pairwise文本匹配迁移学习。
在完成安装PaddlePaddle与PaddleHub后,通过执行脚本sh run_embedding_pairtwise_matching.sh
即可开始使用预训练embedding对DuEL数据集进行Fine-tune。
其中脚本参数说明如下:
--batch_size: 批处理大小,请结合显存情况进行调整,若出现显存不足,请适当调低这一参数;
--learning_rate: Fine-tune的最大学习率;
--weight_decay: 控制正则项力度的参数,用于防止过拟合,默认为0.01;
--warmup_proportion: 学习率warmup策略的比例,如果0.1,则学习率会在前10%训练step的过程中从0慢慢增长到learning_rate, 而后再缓慢衰减,默认为0;
--num_epoch: Fine-tune迭代的轮数;
--max_seq_len: 模型使用的最大序列长度,最大不能超过512, 若出现显存不足,请适当调低这一参数;
--checkpoint_dir: 模型保存路径,PaddleHub会自动保存验证集上表现最好的模型;
--network: 预置网络,可选bow、cnn、gru、lstm
使用PaddleHub Fine-tune API进行Fine-tune可以分为4个步骤。
module = hub.Module(name="tencent_ailab_chinese_embedding_small")
inputs, outputs, program = module.context(trainable=True, max_seq_len=128, num_slots=3)
其中最大序列长度max_seq_len
是可以调整的参数,建议值128,根据任务文本长度不同可以调整该值。
num_slots
: 文本匹配任务输入文本的数据量。pairtwise文本匹配任务num_slots应为3,如上图中的query、left和right。pointwise文本匹配任务num_slots应为2。
PaddleHub还提供等其他词向量预训练模型可供选择, 模型对应的加载示例如下:
模型名 | PaddleHub Module |
---|---|
tencent_ailab_chinese_embedding_small | hub.Module(name='tencent_ailab_chinese_embedding_small') |
word2vec_skipgram | hub.Module(name='word2vec_skipgram') |
simnet_bow | hub.Module(name='simnet_bow') |
更多模型请参考PaddleHub官网。
如果想尝试word2vec_skipgram模型,只需要更换Module中的name
参数即可.
# 更换name参数即可无缝切换word2vec_skipgram模型, 代码示例如下
module = hub.Module(name="word2vec_skipgram")
tokenizer = hub.CustomTokenizer(
vocab_file=module.get_vocab_path(),
tokenize_chinese_chars=True,
)
module.get_vocab_path()
会返回预训练模型对应的词表;
tokenize_chinese_chars
是否切分中文文本
NOTE:
- 如果使用Transformer类模型(如ERNIE、BERT、RoBerta等),则应该选择
hub.BertTokenizer
. - 如果使用非Transformer类模型(如word2vec_skipgram、tencent_ailab_chinese_embedding_small等),则应该选择
hub.CustomTokenizer
dataset = hub.dataset.DuEL(tokenizer=tokenizer, max_seq_len=128)
hub.dataset.DuEL()
会自动从网络下载数据集并解压到用户目录下$HOME/.paddlehub/dataset
目录;
max_seq_len
需要与Step1中context接口传入的序列长度保持一致;
更多数据集信息参考Dataset。
如果想加载自定义数据集完成迁移学习,详细参见自定义数据集
strategy = hub.DefaultStrategy(optimizer_name="sgd", learning_rate=5e-2)
config = hub.RunConfig(use_cuda=False, num_epoch=300, batch_size=128, strategy=strategy)
NOTE:
- 如果使用非Transformer类模型(如word2vec_skipgram、tencent_ailab_chinese_embedding_small等,推荐使用SGD优化器在CPU下运行。
- 如果使用Transformer类模型(如ERNIE、BERT、RoBerta等),推荐使用Adam优化器在GPU下运行。
针对ERNIE与BERT类任务,PaddleHub封装了适合这一任务的迁移学习优化策略AdamWeightDecayStrategy
strategy = hub.AdamWeightDecayStrategy(
warmup_proportion=0.1,
weight_decay=0.01,
learning_rate=5e-5,
lr_scheduler="linear_decay")
learning_rate
: Fine-tune过程中的最大学习率;weight_decay
: 模型的正则项参数,默认0.01,如果模型有过拟合倾向,可适当调高这一参数;warmup_proportion
: 如果warmup_proportion>0, 例如0.1, 则学习率会在前10%的steps中线性增长至最高值learning_rate;lr_scheduler
: 有两种策略可选(1)linear_decay
策略学习率会在最高点后以线性方式衰减;noam_decay
策略学习率会在最高点以多项式形式衰减;
RunConfig
主要控制Fine-tune的训练,包含以下可控制的参数:
use_cuda
: 是否使用GPU训练,默认为False;checkpoint_dir
: 模型checkpoint保存路径, 若用户没有指定,程序会自动生成;num_epoch
: Fine-tune的轮数;batch_size
: 训练的批大小,如果使用GPU,请根据实际情况调整batch_size;strategy
: Fine-tune优化策略;
query = outputs["emb"]
left = outputs['emb_2']
right = outputs['emb_3']
matching_task = hub.PairwiseTextMatchingTask(
dataset=dataset,
left_feature=left,
right_feature=right,
tokenizer=tokenizer,
network='bow',
config=config)
matching_task.finetune_and_eval()
NOTE:
outputs["emb"]
返回了预训练模型输入title对应的词向量向量,outputs["emb_2"]
返回了预训练模型输入left对应的词向量。outputs["emb_3"]
返回了预训练模型输入right对应的词向量。 该词向量是token-levle特征,shape应为[-1, max_seq_len, emb_size]。hub.PairwiseTextMatchingTask
通过输入特征,label与预置网络,可以生成适用于pairwise文本匹配的迁移任务PairwiseTextMatchingTask
。- 使用预置网络,可以通过
hub.PairwiseTextMatchingTask
参数network进行指定不同的网络结构。如下代码表示选择bilstm网络拼接在预训练模型之后。 PaddleHub 文本匹配分类任务预置网络支持BOW,CNN,GRU,LSTM。指定network应是其中之一。
如果想改变迁移任务组网,详细参见自定义迁移任务。
Fine-tune API训练过程中会自动对关键训练指标进行打点,启动程序后执行下面命令:
$ visualdl --logdir $CKPT_DIR/visualization --host ${HOST_IP} --port ${PORT_NUM}
其中${HOST_IP}为本机IP地址,${PORT_NUM}为可用端口号,如本机IP地址为192.168.0.1,端口号8040,用浏览器打开192.168.0.1:8040,即可看到训练过程中指标的变化情况。
通过Fine-tune完成模型训练后,在对应的ckpt目录下,会自动保存验证集上效果最好的模型。 配置脚本参数
CKPT_DIR="ckpt_embedding_pairwise_matching/"
python embedding_pairwise_matching_predict.py --checkpoint_dir $CKPT_DIR --max_seq_len 128
其中CKPT_DIR为Fine-tune API保存最佳模型的路径, max_seq_len是模型的最大序列长度,请与训练时配置的参数保持一致
参数配置正确后,请执行脚本sh run_embedding_pairwise_matching_predict.sh
,即可看到文本匹配预测结果。
如:
data: ["小品《战狼故事》中,吴京突破重重障碍解救爱人,深情告白太感人;爱人", "外文名:愛人;摘要:爱人,意思是:情人。;义项描述:日本语词汇;语言:日文;中文名:爱人;标签:文化;"], predict_label: 1
data: ["儿子祝融被杀害,西天王大发雷霆,立即下令捉拿天庭三公主;儿子", "摘要:《儿子》是曹国昌1983年创作的木雕,收藏于中国美术馆。;材质::木雕;作者::曹国昌;中文名:儿子;创作年代::1983年;义项描述:曹国昌木雕;标签:文化;"], predict_label: 1
data字段表述预测的文本对数据,predict_label为0表示语义不相关,predict_label为1表示语义相关。
我们在AI Studio上提供了IPython NoteBook形式的demo,点击PaddleHub教程合集,可使用AI Studio平台提供的GPU算力进行快速尝试。
PaddleHub还提供了超参优化(Hyperparameter Tuning)功能, 自动搜索最优模型超参得到更好的模型效果。详细信息参见AutoDL Finetuner超参优化功能教程。
Fine-tune之后保存的模型转化为PaddleHub Module教程